具体实施方式

以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。

参照图1所示，本发明实施例所公开的一种常减压装置的通盘优化方法，包括如下步骤：

步骤S1：确定装置的覆盖范围和涉及的变量。常减压装置主要包括三个精馏塔(初馏塔、常压塔和减压塔)、两个加热炉(常压炉和减压炉)、一个电脱盐和一个换热网络，变量包括各个塔的处理量、常压炉及减压炉出口温度、各处汽提蒸汽流量、各中段回流量、产品产量和换热器旁路流量等。

步骤S2：建立常减压装置优化模型，包括优化目标方程和约束条件。

其中，优化目标方程建立包括如下步骤：

步骤S21：确定优化目标，包括经济效益最大化、产品产量最大/最小化、公用工程消耗最小化等；

步骤S22：建立优化目标方程。

通盘优化的目标是根据项目需求实现所需的输出，比如经济效益最大化、产能最大化、公用工程最小化等，或者它们的均衡组合，或者设定的其它任一可行的目标方案，以在可操作区域内最大化经济效益为例，目标函数实质为最大收益函数，经济效益中一般包含三部分内容：各侧线产品收益、原料成本(在固定原料结构和处理量的情况下，原料成本一般固定)、以及公用工程成本，故最大收益函数实质是求解出各侧线产品收益减去原料成本及公用工程成本后的结果值。因此影响经济效益的变量包括原料加工量、产品的产量和公用工程的消耗量，那么该目标的方程可表示为：

其中，p是价格，F_i为产品i的产量，F_j为原料j加工量，F_k为公用工程k用量。

其中，常减压装置优化约束条件包括等式约束和不等式约束。等式约束采用人工神经元网络(ANN)训练和经验机理模拟结合获得。ANN模型模拟人脑神经元网络结构以及对信息的处理方式，采用大量的神经元之间相互联接构成的多层方程结构实现对输入信息的计算输出，是一种结构复杂但计算速度快速的模型，可模拟非常复杂并且参数众多的各种过程。另外ANN模型具备自学习功能，因此非常适用于本身工况多变的常减压装置。当工况出现较大变化时，随着现场新数据的输入，ANN模型具备自我校正功能，可逐步对模型参数进行调整以适应新工况，模拟精度也能得到逐步改善。

建立常减压装置优化约束条件的具体步骤如下：

步骤S23：通过降维方法，选择模型的输入输出变量；

步骤S24：采用机器学习方法，训练某个输出与其输入变量间的关系模型，通过改变机器学习中的参数，使训练获得的模型既能较好拟合训练数据又能较好预测测试数据；

步骤S25：若模型精度达不到要求，则通过反复试验方法，改变该输出对应的输入变量，继续采用步骤S24训练模型，直至精度达到要求；

步骤S26：采用机器学习方法和经验机理混合算法，建立具有多个神经元网络群的常减压装置的AI模型。具体获得产品性质软仪表预测模型、原油/中间流股性质软仪表预测模型、操作条件软仪表预测模型、流股单位焓值预测模型、塔板气液相负荷软仪表预测模型、减压炉和转油线相关温度和压力预测模型和换热网络模型，结合质量模型、能量平衡模型和减压塔全塔压降相关的经验模型，形成了常减压装置AI模型，用于常减压装置优化模型中的等式约束条件。

步骤S27：采用统计方法对历史数据进行统计，获得变量允许的变化范围，从而获得常减压装置优化模型中不等式约束条件，结合上一步形成的等式约束条件，形成了常减压装置优化模型中的约束条件。

举例来说，首先，根据某常减压装置的特点选出286个产品性质、93个原油/中间流股性质、42个操作条件、124个塔板气液相负荷、46个流股单位、减压炉和转油线相关温度和压力和98个换热温度作为目标变量，在数十万套运行数据基础上，通过降维方法，选出影响目标变量的输入变量。例如，产品性质会作为模型的目标变量。将其它变量包括原料组成、设备特性、操作条件等用降维方法分析对目标变量的影响，以此确定对目标变量影响较大的一些变量。再采用机器学习方法对目标变量和影响目标变量的变量样本数据进行训练，获得目标变量的AI模型。

最终根据需求训练了286个产品性质软仪表预测模型、93个原油/中间流股性质软仪表预测模型、42个操作条件软仪表预测模型、124个塔板气液相负荷软仪表预测模型、98个带有详细换热器结构的换热网络模型、46个流股单位焓值预测模型、2个减压炉和转油线相关温度和压力预测模型。结合上述模型和2个减压塔全塔压降相关模型、6个全塔物料平衡模型、3个全塔能量平衡模型形成了整个常减压装置优化模型的约束条件。

优化约束方程示意如下：

y_n＝f_n(F，T，P，y_p) n，p∈N，n≠p

Prop_m＝f_m(F，T，P，y_n)

y_n，L≤y_n≤y_n，U

ΔF_min≤ΔF≤ΔF_max

ΔT_min≤ΔT≤ΔT_max

ΔP_min≤ΔP≤ΔP_max

Prop_m，minspec+Prop_m，accuracy≤Prop_m≤Prop_m，maxspec-Prop_m，accuracy

其中，F、T、P分别表示的是在优化中的流量、温度和压力可调自变量，y_n表示除了侧线产品中工艺指标要求的物性和可调自变量以外的变量，y_p表示除了侧线产品中工艺指标要求的物性、可调自变量和y_n以外的变量；f代表了物料平衡、能量平衡、相平衡、压力平衡、热量传递多个物理模型；N表示1到N的集合，即1，2，3，…，N；min表示最小值，max表示最大值；Prop_m表示的是侧线产品中工艺指标要求的物性；Prop_m，minspec；Prop_m，maxspec分别表示指标要求的上下限，Prop_m，accuracy表示这个物性的模型预测精度；ΔF，ΔT，ΔP是变量幅度，相关不等式是对优化幅度的约束。

步骤S3：采用非线性求解器对物理逻辑重建模型进行优化求解，获得表征所需工况的所有参数，一方面获取通盘优化所需的初值，另一方面获取优化时采用的原油性质和装置性能参数。

具体来说，以常减压装置AI模型为约束，以处理后的稳态数据为输入，采用数学规划法求解各变量预测值和测量值差值最小时各变量的优化值，用此方法获得的变量数据实现了历史工况数据和实时工况数据的校正，以及获取变量的软测量，包括原油性质、装置特性参数，从而还原现场工况，此方法获得的变量数据满足优化模型中约束条件，用该套数据作为通盘优化的初值可将优化时间缩减至5分钟以内。

物理逻辑重建模型示意如下：

y_j＝f_j(x_cal，i，y_j′) j，j′∈J，j≠j′

x_cal，i＝f_i(x_cal，i′，y_j) j，j′∈I，i≠i′

y_j，L≤y_j≤y_j，U

x_i，L≤x_i，cal≤x_i，U

其中，x_msd，i为经过数据处理之后的现场测量仪表数据；x_syserr，i为仪表i系统误差；x_cal，i为最后计算输出的数据；x_cal，i’为除了x_cal，i之外的最后计算输出的数据；w_i为仪表i的权重；M_axi为仪表i最大值；Min_i为仪表i最小值，y_j为其他变量；包括除了有现场测量之外的输出变量和中间变量；y_j，为其他变量，包括除了有现场测量和y_i之外的输出变量和中间变量；函数f代表所有x和y的关系，主要反映物料平衡、能量平衡、相平衡、压力平衡、热量传递等物理模型；J表示1到J的集合，即1，2，3，…，J；I表示1到I的集合，即1，2，3，…，I；y_j，L和y_j，U分别为y_j的下限和上限，x_i，L和x_i，U分别为x_i的下限和上限。

步骤S4：把优化变量根据调整的频次分为低、中、高频3类，如表1所示，调整级别分为1、2、3级，根据调整级别选择要调整的变量类别，如表2所示。本发明根据变量属性，设置不同的调节频率：对于不易进行反复调整和对系统影响较大的参数，尽量减少调节，比如加热炉出口温度变动对整个系统的变动影响较大，故设置低频次调节；对于一些需要经常进行调整或是有自动化手段辅助的操作参数，可高频次调节，如侧线抽出温度、常压塔塔底吹汽等；也有一些属于中等频次调节的，如减压塔塔底吹汽、中段回流流量的操作。对于1级调整，仅可以调整高频变量，中频变量和低频变量尽量不调整，对于2级调整，高频变量和中频变量均可以调整，低频变量尽量不调整，对于3级调整，高、中、低频均可以调整，其中，针对需要调整的参数，每一次的调整幅度控制在20％以内较佳。针对不同变量，进行不同频次的调整以及不同的调整策略，进而实现系统的长周期稳定运行。

表1变量优化类别

表2优化变量调整策略

步骤S5：根据优化平台编程规则依次定义前述步骤中涉及的变量、优化模型，并给变量赋前述计算出的初值，选用非线性求解器和制定的优化策略对模型进行优化求解。其中，优化平台可选用GAMS建模平台，求解器基于广义既约梯度(Generalized ReducedGradient，GRG)算法，在每一步操作变量调整时都综合评估所有变量的变化对系统所有潜在瓶颈的影响，确保优化方向的可行性。在每一步优化方向搜索中，多个常减压装置的变量，包括各个塔的处理量、常压炉、减压炉出口温度、各处汽提蒸汽流量、各处回流量等对整个系统优化目标和潜在瓶颈产生的影响都统一进行测算，也即对变量同时进行调整，而该调整也需要满足相互间的约束关系，进而评估产生满足装置操作可行条件下的最佳优化方向和幅度。同时，为了确保优化方案可行，五大类现场约束在每一步优化方向搜索中都基于高精度ANN模型同时进行测算是否满足系统的性能要求，包括分馏塔塔板水力学性能、换热器传热能力、输送设备可操作范围、加热炉负荷瓶颈、设备高温位结焦倾向。

通过灵敏度分析选取影响装置性能较大的关键变量，通过对关键变量分段将求解空间划分为几个部分，在每个空间进行优化求解，比较所有空间的结果，选择最优结果，以此避免优化结果陷入局部最优。

步骤S6：模型的自学习和自校正。现场的设备性能和加工的原料发生较大变化时，可能会导致工况超出上述AI模型覆盖的范围，模型对范围以外的预测效果比较差。因此在使用该模型之前，本发明还判断当前工况是否超出了模型范围，若超出范围，会在当前工况附近范围进行工况增强，新增部分样本，将新增的所述部分样本信息汇总到之前的样本中对模型进行校正训练，实现模型的自学习和自校正。另外通过物理逻辑重建计算结果获得装置当前特性如塔板板效和转油线压降等，更新模型中装置特性参数，使优化模型自适应装置特性变化。

本发明实施例中的优化约束主要是考虑到物料平衡、能量平衡、相平衡、热量传递和设备性能五大因素；变量的一些调整幅度的限制，如产品指标约束范围，需要考虑模型精度所引起的冗余量、关键塔板内回流变化量、三个塔处理量的变化幅度、去下游装置的侧线流量变化幅度、分支流量的变化幅度、减压塔各填料段的喷淋密度范围。

本实施例中，通盘优化后的结果主要包括：优化前后的总效益变化、优化前后产品效益变化、优化前后能耗变化、优化前后操作参数变化、优化前后各侧线产品性质变化、优化前后塔板水力学变化等。

本实施例中，不仅能针对装置当前状态提出经过全局考虑的优化方案，还能够放眼整个装置运行周期，对装置的长周期稳定运行进行优化。例如：短期来看，减压塔洗涤油量减少有利于提高减压塔拔出率。然而，长期来看过小的洗涤油量容易造成减压塔下部结焦，降低减压塔设备性能，从而导致更大的经济损失。通盘优化技术通过ANN模型来评估设备高温位结焦倾向，避免过分挖掘短期优化效益而影响长周期运行的重大操作风险。

本发明利用机理模型产生大量数据，以弥补生产数据范围窄而无法全面模拟生产装置的不足，该方法建立的模型能和机理模型一样表达出生产装置的特性，在计算方面比机理模型计算速度快；且自主学习装置具有实时的特性，根据装置实时特性修正模型，从而提高模型的准确度。

本发明的通盘优化是以物理逻辑重建的结果为基础，物理逻辑重建的结果是表征当前工况的所有参数数据，该结果将作为通盘优化的初始值，并给通盘优化提供原油性质和装置性能参数数据，从而确保快速准确地获得优化结果。

本发明根据还原的现场工况确定优化方向和幅度，避免了与现场工况脱钩，同时考虑调整多个变量对效益的影响，符合常减压真实的运行逻辑，能够及时地搜索出最佳的参数优化方向，使得经济效益最大化，不仅能针对装置当前状态提出经过全局考虑的优化方案，还能够放眼整个装置运行周期，对装置的长周期稳定运行进行优化，对生产具有较高的实用性。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。